使用Ultralytics YOLO11 🚀 进行物体模糊处理

Q: What is object blurring with Ultralytics YOLO11?

Ultralytics YOLO11 物体模糊是指自动检测图像或视频中的特定物体并对其应用模糊效果。这种技术可以在保留相关视觉数据的同时隐藏敏感信息，从而增强隐私保护。YOLO11该技术的实时处理能力使其适用于需要即时保护隐私和选择性调整焦点的应用。

Q: What are the benefits of using Ultralytics YOLO11 for object blurring?

Ultralytics YOLO11 在对象模糊方面具有多项优势：更多应用详情，请查看对象模糊的优势部分。

什么是物体模糊？

物体模糊 Ultralytics YOLO11是指对图像或视频中的特定检测对象应用模糊效果。这可以利用YOLO11 模型的功能来识别和处理给定场景中的物体。

观看： 使用对象模糊Ultralytics YOLO11

物体模糊的优势？

隐私保护：物体模糊功能可以隐藏图像或视频中的敏感信息或个人身份信息，是保护隐私的有效工具。
选择性聚焦：YOLO11 允许选择性模糊，使用户能够锁定特定对象，确保隐私和保留相关视觉信息之间的平衡。
实时处理：YOLO11它的高效性可实现实时对象模糊，因此适用于需要在动态环境中即时增强隐私的应用。

使用YOLO11 对物体进行模糊处理示例

物体模糊

import cv2

from ultralytics import YOLO
from ultralytics.utils.plotting import Annotator, colors

model = YOLO("yolo11n.pt")
names = model.names

cap = cv2.VideoCapture("path/to/video/file.mp4")
assert cap.isOpened(), "Error reading video file"
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

# Blur ratio
blur_ratio = 50

# Video writer
video_writer = cv2.VideoWriter("object_blurring_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break

    results = model.predict(im0, show=False)
    boxes = results[0].boxes.xyxy.cpu().tolist()
    clss = results[0].boxes.cls.cpu().tolist()
    annotator = Annotator(im0, line_width=2, example=names)

    if boxes is not None:
        for box, cls in zip(boxes, clss):
            annotator.box_label(box, color=colors(int(cls), True), label=names[int(cls)])

            obj = im0[int(box[1]) : int(box[3]), int(box[0]) : int(box[2])]
            blur_obj = cv2.blur(obj, (blur_ratio, blur_ratio))

            im0[int(box[1]) : int(box[3]), int(box[0]) : int(box[2])] = blur_obj

    cv2.imshow("ultralytics", im0)
    video_writer.write(im0)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

cap.release()
video_writer.release()
cv2.destroyAllWindows()

论据 `model.predict`

论据	类型	默认值	说明
`source`	`str`	`'ultralytics/assets'`	指定推理的数据源。可以是图像路径、视频文件、目录、URL 或用于实时馈送的设备 ID。支持多种格式和来源，可灵活应用于不同类型的输入。
`conf`	`float`	`0.25`	设置检测的最小置信度阈值。如果检测到的对象置信度低于此阈值，则将不予考虑。调整该值有助于减少误报。
`iou`	`float`	`0.7`	非最大抑制 (NMS) 的交叉重叠(IoU) 阈值。较低的数值可以消除重叠的方框，从而减少检测次数，这对减少重复检测非常有用。
`imgsz`	`int or tuple`	`640`	定义用于推理的图像大小。可以是一个整数 `640` 或一个（高度、宽度）元组。适当调整大小可以提高检测效率精确度和处理速度。
`half`	`bool`	`False`	启用半精度（FP16）推理，可加快支持的 GPU 上的模型推理速度，同时将对精度的影响降至最低。
`device`	`str`	`None`	指定用于推理的设备（例如：......）、 `cpu`, `cuda:0` 或 `0`).允许用户选择CPU 、特定GPU 或其他计算设备执行模型。
`batch`	`int`	`1`	指定推理的批量大小（仅当来源为目录、视频文件或 `.txt` 文件).更大的批次规模可以提供更高的吞吐量，缩短推理所需的总时间。
`max_det`	`int`	`300`	每幅图像允许的最大检测次数。限制模型在单次推理中可以检测到的物体总数，防止在密集场景中产生过多的输出。
`vid_stride`	`int`	`1`	视频输入的帧间距。允许跳过视频中的帧，以加快处理速度，但会牺牲时间分辨率。数值为 1 时会处理每一帧，数值越大越跳帧。
`stream_buffer`	`bool`	`False`	决定是否对接收到的视频流帧进行排队。如果 `False`，旧帧会被丢弃，以容纳新帧（针对实时应用进行了优化）。如果为 "真"，则在缓冲区中排队等待新帧，确保不会跳过任何帧，但如果推理的 FPS 低于流的 FPS，则会造成延迟。
`visualize`	`bool`	`False`	在推理过程中激活模型特征的可视化，从而深入了解模型 "看到 "了什么。这对调试和模型解释非常有用。
`augment`	`bool`	`False`	可对预测进行测试时间增强（TTA），从而在牺牲推理速度的情况下提高检测的鲁棒性。
`agnostic_nms`	`bool`	`False`	启用与类别无关的非最大抑制 (NMS)，可合并不同类别的重叠方框。这在多类检测场景中非常有用，因为在这种场景中，类的重叠很常见。
`classes`	`list[int]`	`None`	根据一组类别 ID 过滤预测结果。只有属于指定类别的检测结果才会返回。这对于在多类检测任务中集中检测相关对象非常有用。
`retina_masks`	`bool`	`False`	返回高分辨率分割掩码。返回的掩码 (`masks.data`) 如果启用，将与原始图像大小相匹配。如果禁用，它们将与推理过程中使用的图像大小一致。
`embed`	`list[int]`	`None`	指定从中提取特征向量或嵌入的层。这对聚类或相似性搜索等下游任务非常有用。
`project`	`str`	`None`	保存预测结果的项目目录名称，如果 `save` 已启用。
`name`	`str`	`None`	预测运行的名称。用于在项目文件夹内创建一个子目录，在下列情况下存储预测输出结果 `save` 已启用。

常见问题

Ultralytics YOLO11 什么是物体模糊？

物体模糊 Ultralytics YOLO11是指自动检测图像或视频中的特定对象并对其应用模糊效果。这种技术可以在保留相关视觉数据的同时隐藏敏感信息，从而增强隐私保护。YOLO11实时处理能力使其适用于需要即时保护隐私和选择性调整焦点的应用。

如何使用YOLO11 实现实时对象模糊？

要使用YOLO11 实现实时对象模糊，请遵循所提供的Python 示例。其中包括使用YOLO11 进行物体检测，使用 OpenCV 应用模糊效果。下面是一个简化版本：

import cv2

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
cap = cv2.VideoCapture("path/to/video/file.mp4")

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        break

    results = model.predict(im0, show=False)
    for box in results[0].boxes.xyxy.cpu().tolist():
        obj = im0[int(box[1]) : int(box[3]), int(box[0]) : int(box[2])]
        im0[int(box[1]) : int(box[3]), int(box[0]) : int(box[2])] = cv2.blur(obj, (50, 50))

    cv2.imshow("YOLO11 Blurring", im0)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

cap.release()
cv2.destroyAllWindows()